陳 欣，肖建華，欒培賢，徐 強(qiáng)，王洪斌

（東北農(nóng)業(yè)大學(xué)動(dòng)物醫(yī)學(xué)學(xué)院，黑龍江 哈爾濱150030）

豬繁殖與呼吸綜合征（Porcine Reproductive and Respiratory Syndrome，PRRS），是由豬繁殖與呼吸綜合征病毒（PRRSV）引起的一種高度傳染性疾病，以懷孕母豬流產(chǎn)、早產(chǎn)、死胎和木乃伊胎等繁殖障礙以及仔豬和育肥豬的呼吸道癥狀為特征。2006年5月份開始，南方地區(qū)發(fā)生豬無名高熱病，大部分發(fā)病豬場的發(fā)病率在50%以上，死亡率高達(dá)50%～90%，給養(yǎng)豬生產(chǎn)造成了數(shù)十億的經(jīng)濟(jì)損失。2007年初，國家農(nóng)業(yè)部正式定性為高致病性藍(lán)耳病，雖然仍然列為二類動(dòng)物疫病，但是對其重視程度已不亞于高致病性禽流感。因此，PRRS發(fā)病預(yù)測模型的建立對于防控該病具有重要的意義。本研究結(jié)合PRRS發(fā)病特點(diǎn)，借鑒已有的傳染病預(yù)測研究理論，利用各種關(guān)鍵氣象因素?cái)?shù)據(jù)對我國南方地區(qū)某省的PRRS發(fā)病率和發(fā)病趨勢進(jìn)行預(yù)測研究，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，探討利用氣象因素預(yù)測PRRS發(fā)病率和發(fā)病趨勢的方法。

1 內(nèi)容與方法

1.1 資料來源 選擇我國南方地區(qū)某省作為預(yù)測模型研究對象，該省區(qū)2005年～2007年氣象數(shù)據(jù)資料來自中國氣象局，同期該地區(qū)PRRS發(fā)病數(shù)據(jù)源自中國農(nóng)業(yè)部《獸醫(yī)公報(bào)》，豬飼養(yǎng)量數(shù)據(jù)參考《中國畜牧業(yè)年鑒》。由于《中國畜牧業(yè)年鑒》中各省養(yǎng)豬量數(shù)據(jù)為年報(bào)，所以計(jì)算PRRS發(fā)病率時(shí)在模型中將每年度豬存欄量作為每月豬飼養(yǎng)量，以統(tǒng)一計(jì)算方法。發(fā)病率計(jì)算公式：

PRRS月發(fā)病率＝PRRS月發(fā)病數(shù)/當(dāng)年年底豬存欄量

1.2 研究方法

1.2.1 氣象因素與PRRS發(fā)病率相關(guān)性分析 大量研究表明，PRRS發(fā)病與季節(jié)變化、免疫、飼養(yǎng)方式、野毒侵襲和人員接觸以及機(jī)體由于應(yīng)激而造成免疫功能降低等原因有關(guān)。本研究將當(dāng)月氣象數(shù)據(jù)作為自變量，將次月PRRS發(fā)病率作為因變量，利用SPSS 13.0統(tǒng)計(jì)學(xué)軟件對二者進(jìn)行相關(guān)性分析，分析與PRRS發(fā)病關(guān)系密切的氣象因子，以便為預(yù)測模型的建立提供依據(jù)。

1.2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立

（1）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定：本研究采用log－sigmoid函數(shù)的三層前向BP人工神經(jīng)網(wǎng)絡(luò)，參考公式N2＝sqrt（N1＋M）＋a確定隱含層單元N2的數(shù)量范圍，其中N1為輸入單元數(shù)，M為輸出單元數(shù)，a為1～10的常數(shù)［1］。在確定N1與M的數(shù)值以后，通過改變a的數(shù)值來改變隱含層N2的單元個(gè)數(shù)，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和調(diào)整，直到神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差達(dá)到預(yù)先設(shè)定的誤差最小值為止。最后通過檢驗(yàn)組數(shù)據(jù)來考核網(wǎng)絡(luò)訓(xùn)練擬合程度是否能夠滿足預(yù)測要求，根據(jù)最佳預(yù)測結(jié)果來確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

（2）數(shù)據(jù)分組和歸一化處理：本次研究將所獲得數(shù)據(jù)分為訓(xùn)練和檢驗(yàn)2個(gè)數(shù)據(jù)組。將2004年12月～2007年5月該省氣象數(shù)據(jù)作為輸入層，2005年1月～2007年6月該地區(qū)PRRS發(fā)病率數(shù)據(jù)作為期望輸出層。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)確定后，可將2007年6月～11月的氣象數(shù)據(jù)帶入預(yù)測網(wǎng)絡(luò)中來驗(yàn)證所構(gòu)建的網(wǎng)絡(luò)預(yù)測模型的準(zhǔn)確性。

為了滿足人工神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)函數(shù)的條件和提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，需將樣本進(jìn)行歸一化處理，將輸入層數(shù)據(jù)歸一化范圍為［－1，1］，公式為：X′＝（X－Xmin）/（Xmax－Xmin）×2－1，輸出層數(shù)據(jù)歸一化范圍為［0.1，0.9］，公式為：Y′＝（Y－Ymin）/（Ymax－Ymin）×0.8＋0.1。

（3）人工神經(jīng)網(wǎng)絡(luò)的建立、訓(xùn)練和仿真：采用BP神經(jīng)網(wǎng)絡(luò)，并通過 Matlab7.0軟件編程實(shí)現(xiàn)［2］。

net＝newff（minmax（p1n），［n，1］，｛‘logsig’，‘logsig’｝，‘trainlm’）；其中 minmax（p1n）為網(wǎng)絡(luò)輸入p1n的取值范圍，p1n為氣象數(shù)據(jù)p經(jīng)過歸一化處理后的數(shù)據(jù)。網(wǎng)絡(luò)采用3層網(wǎng)絡(luò)結(jié)構(gòu)，n為隱單元數(shù)，由于輸出變量只有PRRS發(fā)病率一項(xiàng)，故輸出單元數(shù)為1，logsig為BP神經(jīng)網(wǎng)絡(luò)各層之間的激活函數(shù)，trainlm為訓(xùn)練函數(shù)。

net＝train（net，p1n，t1n）；其中p1n為輸入向量，t1n為目標(biāo)向量。設(shè)定網(wǎng)絡(luò)訓(xùn)練精度為1×10－5，最大訓(xùn)練步數(shù)為5000。

t2n＝sim（net，p2n）；進(jìn)行PRRS發(fā)病預(yù)測，檢驗(yàn)t2值與PRRS實(shí)際發(fā)病率值擬合程度是否令人滿意。

（4）人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果評價(jià)方法：預(yù)測效果評價(jià)指標(biāo)采用決定系數(shù)R2以檢驗(yàn)?zāi)Ｐ偷臄M合程度，其值越接近1說明方程或者模型擬合效果越好，預(yù)測越準(zhǔn)確，并結(jié)合實(shí)際值與預(yù)測值誤差絕對值對模型效果做出綜合評價(jià)。決定系數(shù)R2＝（corrcoef（A，T））2，數(shù)值上等于實(shí)際發(fā)病率與預(yù)測值相關(guān)系數(shù)的平方，表示自變量能正確預(yù)測因變量變化的百分比［3］。

2 結(jié)果與分析

2.1 氣象因素與PRRS發(fā)病率相關(guān)性分析 由PRRS月發(fā)病率與氣象因子相關(guān)分析結(jié)果可知，PRRS發(fā)病率與月平均氣壓、極端最高氣壓、極端最低氣壓呈顯著正相關(guān)，與月平均氣溫、平均最低氣溫、平均最高氣溫、極端最低氣溫、極端最高氣溫、平均相對濕度、降水量、最大風(fēng)速、極大風(fēng)速、平均水汽壓呈顯著性負(fù)相關(guān)。

其中，發(fā)病率與月平均氣溫、平均最低氣溫、平均最高氣溫、極端最低氣溫、極端最高氣溫、平均氣壓、極端最高氣壓、平均水汽壓的相關(guān)系數(shù)分別為－0.4930、－0.4944、－0.4943、－0.4761、－0.5085、0.4930、0.4890、－0.487，相關(guān)性差異極顯著；發(fā)病率與平均相對濕度、降水量、最大風(fēng)速、極大風(fēng)速、極端最低氣壓的相關(guān)系數(shù)分別為－0.3360、－0.3340、－0.4060、0.4890、0.4150，相關(guān)性差異顯著。

2.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定及預(yù)測結(jié)果 通過多次反復(fù)調(diào)試最終在眾多網(wǎng)絡(luò)結(jié)構(gòu)中確定出網(wǎng)絡(luò)隱含層單元數(shù)為5時(shí)最適宜預(yù)測。網(wǎng)絡(luò)輸入層的神經(jīng)元為13個(gè)，即13個(gè)月平均氣象指標(biāo)；輸出層的神經(jīng)元為1個(gè)，即PRRS發(fā)病率，因此神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定為13－5－1。預(yù)測網(wǎng)絡(luò)模型經(jīng)過34次訓(xùn)練以后達(dá)到預(yù)先設(shè)定的最小誤差值1×10－5，訓(xùn)練情況見圖1，預(yù)測發(fā)病率與實(shí)際發(fā)病率對照見表1。

2.3 預(yù)測模型效果評價(jià) 將檢驗(yàn)數(shù)據(jù)輸入建立好的預(yù)測模型后，得到相應(yīng)的PRRS發(fā)病率預(yù)測結(jié)果（見表1）。求得預(yù)測模型決定系數(shù)R2＝0.821，說明模型預(yù)測性能較好。

另外，由表1可知，2007年7～12月預(yù)測發(fā)病率與實(shí)際發(fā)病率之間誤差不大，其中2007年9月模型預(yù)測值和實(shí)際發(fā)病率值的誤差絕對值為22.2×10－6，盡管這個(gè)月發(fā)病率預(yù)測數(shù)據(jù)相對誤差較大，但是在畜牧業(yè)生產(chǎn)中畜禽存欄量每年都可達(dá)幾千萬只，相比而言預(yù)測誤差仍然可以接受。預(yù)測模型的決定系數(shù)R2＝0.821，說明擬合程度較好，發(fā)病率預(yù)測比較準(zhǔn)確，所以從實(shí)際預(yù)測需求來講這樣的結(jié)果仍然可以滿足預(yù)測要求。

表1 預(yù)測發(fā)病率與實(shí)際發(fā)病率對照

3 討論

3.1 氣象條件對PRRS發(fā)生的影響 PRRSV的主要傳播方式是易感豬與病毒攜帶豬的密切接觸，尤其在豬群規(guī)模大和飼養(yǎng)密度高的情況下，這種危險(xiǎn)性更大［4］。蚊蟲和家蠅也可使PRRSV在易感動(dòng)物間傳播?？諝鈧鞑ナ菍?dǎo)致PRRS流行的一個(gè)重要的因素，雖然對于空氣傳播的距離仍然存在爭論，但在歐洲有許多研究認(rèn)為本病可以通過空氣傳播［5－6］。

本研究通過對氣象數(shù)據(jù)和PRRS發(fā)病率進(jìn)行相關(guān)分析可知，溫度相對較低可能更有利于病毒在外界環(huán)境中生存，且該病的發(fā)生可能受氣溫驟變的影響。氣壓發(fā)生變化時(shí)，動(dòng)物體內(nèi)的腔窩擴(kuò)大，會(huì)對疾病的發(fā)生產(chǎn)生影響，氣壓與發(fā)病率呈負(fù)相關(guān)也可能與溫度的影響有關(guān)。在空氣流通越快的空間內(nèi)病毒含量越少，PRRS發(fā)生的可能性也就越低。Komijn等認(rèn)為藍(lán)耳病在荷蘭最初快速傳播的一個(gè)原因是風(fēng)向和冬季的天氣狀況導(dǎo)致，較低的溫度，較高的相對濕度和較低的風(fēng)速有利于病毒的傳播［7］。本研究結(jié)果顯示，月平均濕度、降水量與PRRS發(fā)病率呈負(fù)相關(guān)關(guān)系，這似乎違背了PRRSV病毒在潮濕的環(huán)境下更易傳播的特性，但結(jié)合所調(diào)查地區(qū)常年處于相對濕度較大狀態(tài)的氣候特征，結(jié)合溫度與PRRS發(fā)病率呈極顯著負(fù)相關(guān)的結(jié)果，可以推測出PRRS受溫度的影響較大，溫度的變化在該地區(qū)可能成為疾病發(fā)生的重要提示指標(biāo)。

3.2 BP神經(jīng)網(wǎng)絡(luò)在動(dòng)物疾病預(yù)測研究中的應(yīng)用 基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測模型不像傳統(tǒng)的統(tǒng)計(jì)學(xué)模型那樣要求變量符合特定的分布類型，不必對輸入變量作復(fù)雜的相關(guān)假定，而且尤其善于處理模型復(fù)雜的非線性關(guān)系。因此基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型很好的解決了本研究中變量間不能用精確的函數(shù)表達(dá)這一問題。

本研究中BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)模型對PRRS發(fā)病率具有較好的預(yù)測能力，可能是因?yàn)橛行庀笠蛩貙RRS并不是直接作用，而是通過影響傳染病發(fā)生的各個(gè)環(huán)節(jié)，間接影響傳染病在易感動(dòng)物中的分布［8］。本次研究BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效果較好，我們還可以通過增大樣本含量，在大樣本的前提下對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整，讓網(wǎng)絡(luò)繼續(xù)學(xué)習(xí)、充分訓(xùn)練獲得足夠信息，從而對網(wǎng)絡(luò)進(jìn)行優(yōu)化，提高模型預(yù)測的準(zhǔn)確性，滿足預(yù)測需求。

4 結(jié)論

通過本研究將BP人工神經(jīng)網(wǎng)絡(luò)模型引入PRRS的預(yù)測，結(jié)果顯示預(yù)測效果較好，為其他疫病，特別是發(fā)生與氣象因素相關(guān)性十分顯著的疫病的預(yù)測在方法和技術(shù)上積累了經(jīng)驗(yàn)，具有重要的現(xiàn)實(shí)意義。

［1］ 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與 MATLAB7實(shí)現(xiàn)［M］.北京：電子工業(yè)出版社，2005：103.

［2］ 葛哲學(xué)，孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與 MATLAB R2007實(shí)現(xiàn)［M］.北京：電子工業(yè)出版社，2008.

［3］ 曲波，黃德生，郭海強(qiáng).干旱地區(qū)傷寒副傷寒與氣象因素關(guān)系的BP神經(jīng)網(wǎng)絡(luò)模型［J］.中國衛(wèi)生統(tǒng)計(jì)，2004，21（3）：165－167.

［4］ 王永剛，孫昕，王海彬.影響豬藍(lán)耳病的流行因素［J］.現(xiàn)代畜牧獸醫(yī)，2008（5）：60.

［5］ Anonymous.Porcine reproductive and respiratory syndrome（PRRS）［C］.Proc Seminar on Porc Reprod and Resp Syndr.Brussels，Belgium，1991：Conclusions，2.

［6］ Robertson I B.Porcine reproductive and respiratory syndrome（blue－eared pig disease）：Some aspects of its epidemiology［C］.Proc Soc Vet Epi Prev Med.Edinburgh，Scotland，1992：24－37.

［7］ Komijn R E，van der Sande W J H，van Klink E G M.Report on the epidemiology of PRRS in the Netherlands ［C］.Proc Seminar on Porc Reprod and Resp Syndr.Brussels，Belgium，1991：8－12.

［8］ 施海龍，曲波，郭海強(qiáng).干旱地區(qū)呼吸道傳染病氣象因素及發(fā)病預(yù)測［J］.中國公共衛(wèi)生，2006，4（22）：418.